就是当代AI工程师的日常：*
- 砸钱买算力，却卡在分布式训练的“隐形坑”里；  
- 跟着论文复现模型，结果连1/10的性能都达不到；  
- 好不容易上线应用，却因伦理问题被用户投诉……  

当所有人都在教你怎么调用API时，**《Python预训练视觉和大语言模型》** 选择了一条更硬核的路——  
**它不给你“速成的代码”，而是拆解AI模型的骨骼与血脉，让你真正掌控从预训练到落地的每一个齿轮。**  

**为什么这本书能让你少走3年弯路？**  

1️⃣ **【云上工业化实战】**  
   - 第6章手把手还原“10TB级Stable Diffusion训练”，教你设计**工业级数据管道**  
   - 第8章揭秘AWS SageMaker**分布式训练黑科技**，同等预算下训练时长缩短60%  
   - 第12章给出**模型压缩+分布式部署**组合拳，推理成本直降40%  

2️⃣ **【底层逻辑不死】**  
   - 深入Transformer架构本质，理解**缩放法则（Scaling Laws）**如何决定模型上限  
   - 第9章独创**“TFLOPS-成本”量化模型**，把技术选择变成经济学决策  
   - 第15章预言**LangChain、多模态生成**未来趋势，提前布局3年技术红利  

3️⃣ **【技术人的终极关怀】**  
   - 第11章提供**偏差治理框架**，让模型通过法律与道德双重审查  
   - 作者跨界经历：从**冥想修行者到亚马逊首席架构师**，用“心流状态”解构复杂系统  
   > **“若一位瑜伽士可从静修小屋走向预训练前沿，您同样可以！”**  

 **谁需要立刻翻开这本书？**  

- 🔧 **工程师**：告别“玄学调参”，用科学方法论驯服百亿参数模型  
- 📊 **产品经理**：设计**成本可控的AI落地路径**，让老板看到ROI  
- 🧠 **研究者**：复现Stable Diffusion、BERT等顶尖模型，发Paper不再卡壳  
- ☁️ **云架构师**：搭建高性价比AI基础设施，让GPU集群不再“吃灰”  

---**为什么这本书无可替代？**  

- **真实战场经验**：所有案例来自AWS超大规模模型实战，拒绝“玩具Demo”  
- **每章省百万预算**：附**资源消耗对照表**，标注时间/金钱的trade-off  
- **附赠“伦理工具箱”**：包含偏差检测代码模板、合规评估清单  

 **技术人的终极救赎**  
在AI浪潮中，有人沉迷ChatGPT的炫技，有人困在“百模大战”的迷雾里——  
**而真正的赢家，永远是那些掌握底层规律的人。**  

本书将帮你：  
✅ **节省90%试错成本**：避开分布式训练的32个“天坑”  
✅ **获得3倍性能提升**：用编译技术榨干GPU每一寸算力  
✅ **成为团队技术灯塔**：从模型设计到伦理治理，树立专业权威  

---

目    录

第Ⅰ部分  预训练前
第1章　预训练基础模型简介   3
1.1  预训练和微调艺术   4
1.2  Transformer模型架构和自注意力   6
1.3  最先进的视觉模型和语言模型   8
1.3.1  截至2023年4月的顶级视觉模型   9
1.3.2  对比预训练与自然语言监督   11
1.3.3  截至2023年4月的顶级语言模型   12
1.3.4  语言技术重点——因果建模和缩放法则   14
1.4  编码器和解码器   15
1.5  本章小结   17
第2章　数据集准备：第1部分   19
2.1  为基础建模寻找数据集和用例   19
2.2  你的数据集有多大区别   23
2.2.1  使用缩放法则调整数据集的大小   25
2.2.2  基础——神经语言模型的缩放法则   26
2.3  偏差检测和减少   28
2.4  增强数据集——多语言、多模态和增强   30
2.5  本章小结   32
第3章　模型准备   35
3.1  寻找最优基础模型   35
3.1.1  从最小的基础模型开始   37
3.1.2  权衡——简单与复杂   37
3.1.3  权衡——应用于许多用例，而非局限于一个用例   38
3.1.4  找到最优基础模型的技术方法   39
3.2  寻找预训练损失函数   39
3.2.1  视觉的预训练损失函数——ViT和CoCa   41
3.2.2  语言中的预训练损失函数——Alexa教师模型   44
3.2.3  更改预训练损失函数   46
3.3  设定模型大小   46
3.3.1  解决模型大小问题的实用方法   49
3.3.2  并非所有缩放法则的效果都相同   49
3.3.3  规划未来的实验   50
3.4  本章小结   51

第Ⅱ部分　配置环境   
第4章　云容器和云加速器   55
4.1  什么是加速器，为什么它们很重要   55
4.2  准备使用加速器   58
4.3  优化加速器性能   63
4.3.1  超参数   63
4.3.2　AWS上加速器的基础设施优化   64
4.4  加速器性能故障排除   65
4.5  本章小结   67
第5章　分布式基础知识   69
5.1  理解关键概念——数据和模型并行性   69
5.1.1  什么是数据并行   70
5.1.2  什么是模型并行   71
5.2  将模型与数据并行相结合   73
5.3  Amazon SageMaker分布式训练   74
5.3.1  分布式训练软件   75
5.3.2  SM DDP   76
5.3.3  SMP库   77
5.4  减少GPU内存的高级技术   79
5.4.1  张量并行性   80
5.4.2  优化器状态分片   81
5.4.3  激活检查点   81
5.4.4  分片数据并行性   81
5.5  当今模型的示例   82
5.5.1  Stable Diffusion——大规模数据并行   82
5.5.2  GPT-3——大规模的模型和数据并行性   83
5.6  本章小结   84
第6章　数据集准备：第2部分   85
6.1  Python中的数据加载器   86
6.2  构建和测试自己的数据加载器——来自Stable Diffusion的案例研究   88
6.3  创建嵌入——词元分析器和智能功能的其他关键步骤   91
6.4  在Amazon SageMaker上优化数据管道   95
6.5  在AWS上大规模转换深度学习数据集   98
6.6  本章小结   100

第Ⅲ部分　训练模型
第7章　寻找合适的超参数   103
7.1  超参数——批量大小、学习率等   103
7.2  微调策略   105
7.3  基础模型的超参数微调   108
7.4  使用SageMaker根据world size放大   109
7.5  本章小结   113
第8章　SageMaker的大规模训练   115
8.1  优化SageMaker训练的脚本   115
8.1.1  导入程序包   116
8.1.2  参数解析   116
8.1.3　函数定义和用法   118
8.2  SageMaker训练的顶级可用性功能   121
8.2.1  用于快速实验的暖池   121
8.2.2  SSM和SSH进入训练实例   122
8.2.3  跟踪作业和实验以复制结果   123
8.3  本章小结   127
第9章　高级训练概念   129
9.1  评估和提高吞吐量   129
9.2  使用Flash注意力加速训练运行   132
9.3  通过编译加快作业速度   133
9.4  Amazon SageMaker训练编译器和Neo   135
9.5  在亚马逊的Trainium和Inferentia自定义硬件上运行编译后的模型   137
9.6  求解最优训练时间   138
9.7  本章小结   140

第Ⅳ部分  评估模型   
第10章  微调和评估   143
10.1  对语言、文本和其间的一切进行微调   143
10.1.1  微调纯语言模型   145
10.1.2  微调纯视觉模型   147
10.1.3  微调视觉语言模型   149
10.2  评估基础模型   150
10.2.1  视觉模型评估指标   150
10.2.2  语言模型评估指标   152
10.2.3  联合视觉-语言任务中的模型评估指标   154
10.2.4  通过SageMaker Ground Truth将人类视角与标签相结合   156
10.3  从人类反馈中强化学习   157
10.4  本章小结   158
第11章  检测、减少和监控偏差   161
11.1  检测机器学习模型中的偏差   161
11.2  减少视觉和语言模型中的偏差   165
11.2.1  语言模型中的偏差减少——反事实数据增强和公平损失函数   166
11.2.2  视觉模型中的偏差减少——减少相关性并解决采样问题   169
11.3  监控机器学习模型中的偏差   170
11.4  使用SageMaker Clarify检测、减轻和监控偏差   172
11.5  本章小结   173

第Ⅴ部分  部署模型
第12章  如何部署模型   177
12.1  模型部署的定义   177
12.2  托管模型的最优方式   179
12.3  为什么缩小模型，以及如何缩小   182
12.3.1  模型编译   183
12.3.2  知识蒸馏   183
12.3.3  量化   184
12.4  在SageMaker上托管分布式模型   184
12.5  模型服务器和端到端托管优化   186
12.6  本章小结   188
第13章  提示工程   189
13.1  提示工程——以少搏多的艺术   189
13.2  从少样本学习到零样本学习   190
13.3  文本到图像提示工程的注意之处   193
13.4  图像到图像提示工程的注意之处   196
13.4.1  放大   196
13.4.2  掩膜   196
13.4.3  使用DreamBooth提示目标到图像   197
13.5  提示大型语言模型   198
13.5.1  指令微调   198
13.5.2  思维链提示   199
13.5.3  摘要   200
13.5.4  防止提示注入和越狱   200
13.6  高级技术——前缀和提示微调   201
13.6.1  前缀微调   201
13.6.2  提示微调   203
13.7  本章小结   204
第14章  视觉和语言MLOps   205
14.1  什么是MLOps？   205
14.2  持续集成和持续部署   208
14.3  模型监控和人机回环   210
14.4  基础模型的MLOps   212
14.5  视觉MLOps   213
14.6  AWS为MLOps提供的服务   215
14.7  本章小结   218
第15章  预训练基础模型的未来趋势   219
15.1  构建LLM应用程序的技术   219
15.1.1  使用开源堆栈构建交互式对话应用程序   220
15.1.2  使用RAG确保LLM应用程序的高准确性   222
15.1.3  生成是新的分类吗？   223
15.1.4  用LLM构建应用的人性化设计   224
15.2  其他生成式模式   225
15.3  基础模型中的AWS产品   226
15.4  基础模型的未来   228
15.5  预训练的未来   229
15.6  本章小结   232
—— 以下内容可扫描封底二维码下载 ——
参考文献   233